摘  要： 熒光磁粉無損檢測因具有缺陷顯示直觀、靈敏度高、檢測速度快且成本低等優(yōu)點(diǎn)而被廣泛采用。在分析工件表面缺陷的熒光磁粉圖像顯示特性基礎(chǔ)上，研究缺陷圖像的平滑去噪和分割等處理算法，提出基于加權(quán)模板和自適應(yīng)鄰域選擇的圖像平滑算法，并將Ridler自適應(yīng)閾值法應(yīng)用于缺陷圖像分割。實(shí)驗(yàn)結(jié)果表明，此種方法能夠很好地去除偽缺陷，將圖像中工件的真實(shí)缺陷從背景區(qū)域中完整地提取出來，為熒光磁粉自動化無損檢測打下良好的基礎(chǔ)。

　　關(guān)鍵詞： 熒光磁粉檢測；加權(quán)模板；自適應(yīng)鄰域選擇；Ridler自適應(yīng)閾值

0 引言

　　熒光磁粉檢測是目前對鐵磁性材料工件表面及近表面缺陷進(jìn)行無損探傷最為靈敏和準(zhǔn)確的方法之一[1]。鐵磁性材料工件被磁化后，由于工件表面及近表面缺陷的存在，使磁力線發(fā)生局部畸變，產(chǎn)生漏磁場，吸附懸浮于工件表面的熒光磁粉，形成在紫外光源照射下肉眼可見的磁痕，從而對缺陷進(jìn)行直觀的判斷。由于工業(yè)生產(chǎn)環(huán)境的復(fù)雜性，熒光磁粉圖像中的噪聲信息對工件缺陷識別的影響不容忽視，此為誤判產(chǎn)生的根源，恰巧也是智能探傷系統(tǒng)開發(fā)的重點(diǎn)和難點(diǎn)。陸寶春等人[2]提出一種梯度與閾值法相融合的熒光磁粉圖像分割算法，但其選取的固定閾值法會對圖像過度平滑，湮滅缺陷細(xì)節(jié)，引起漏判。吳海超等人[3]提出基于多重分塊極值的圖像邊緣檢測算法，但無法去除熒光磁粉圖像中的偽缺陷。李仁興等人[4]設(shè)計(jì)了基于Fisher線性判別方法的工件裂紋缺陷識別方法，但并未對由于磁懸液粘附形成的偽缺陷進(jìn)行處理。

　　針對現(xiàn)有的熒光磁粉圖像平滑去噪及缺陷提取難點(diǎn)，本文提出了基于加權(quán)模板和自適應(yīng)鄰域選擇的圖像平滑算法以解決去噪難題，并將Ridler自適應(yīng)閾值法應(yīng)用于平滑后的缺陷圖像分割。此種方法能夠很好地去除偽缺陷，從而達(dá)到降低圖像噪聲和提取缺陷區(qū)域的目的，為熒光磁粉自動化無損檢測打下良好的基礎(chǔ)。

1 缺陷圖像特征分析

　　熒光磁粉檢測圖像的目標(biāo)信息[5]為：鐵磁性工件表面或近表面缺陷受磁化后吸附熒光磁粉，在紫外光源照射下，缺陷部位形成黃綠色區(qū)域，圖1為工件有、無裂痕缺陷的熒光磁粉檢測圖像。但附著在工件表面銹跡及探傷設(shè)備上的少量磁粉，在紫外光源照射下也會形成黃綠色區(qū)域，這些區(qū)域在智能識別中都會判定為缺陷。

2 圖像缺陷區(qū)域檢測

　　獲取含有表面或近表面缺陷工件的磁粉圖像后，最重要的步驟是將圖像缺陷區(qū)域提取出來，進(jìn)而利用圓形度、長寬比和平均寬度等特征對缺陷真?zhèn)渭叭毕輸?shù)目和類型進(jìn)行判定。

　　2.1 基于加權(quán)模板的圖像平滑算法

　　在磁粉圖像采集和傳輸過程中，由于受到電流噪聲、信道噪聲、熒光磁粉噴灑不均勻和光照等因素的影響，使原始磁粉圖像中含有大量噪聲，缺陷特征模糊，偽缺陷增多，圖像質(zhì)量較差，直接關(guān)系到缺陷區(qū)域提取和缺陷識別結(jié)果的準(zhǔn)確度。因此在進(jìn)行圖像分割之前，必須對磁粉圖像進(jìn)行一定的平滑去噪處理[6]。

　　2.1.1 自定義加權(quán)模板

　　為保留缺陷區(qū)域邊緣和細(xì)節(jié)，本文根據(jù)參與平均的像素值的特點(diǎn)為模板賦予不同權(quán)值的思想，定義圖2所示的三種加權(quán)模板。

　　模板1與模板2由二維高斯離散模板演變而成，模板3為3×3鄰域的二維高斯模板。根據(jù)離目標(biāo)點(diǎn)越近對目標(biāo)點(diǎn)造成的影響越大的原理，按照二維正態(tài)分布加權(quán)，而不是像鄰域平均法那樣簡單地加權(quán)平均，所以其平滑去噪效果較好。

　　2.1.2 最小鄰域均勻度

　　對灰度圖像的每一個(gè)像素點(diǎn)（i，j），取其m×n鄰域，其鄰域灰度分布均勻度V定義如下：

　　其中，f（i，j）為目標(biāo)點(diǎn)的像素值，f為所在鄰域的像素的灰度均值。

　　本文采取如下方式確定平滑去噪過程中每個(gè)像素點(diǎn)的像素值，為加快平滑去噪的處理速度且減小因鄰域選擇過大引起的過度平滑，僅選取3×3或5×5鄰域。

　　2.1.3 自適應(yīng)鄰域選擇尺度

　　如果只使用3×3鄰域進(jìn)行平滑，當(dāng)中心像素灰度級受噪聲干擾較大時(shí)，對鄰近的4個(gè)像素與模板做卷積運(yùn)算，并將所得結(jié)果作為目標(biāo)點(diǎn)的像素值，并不能達(dá)到有效平滑去噪的目的；而只使用5×5模板，雖然可以更好地抑制圖像中的噪聲點(diǎn)，但圖像中目標(biāo)的邊緣被弱化，使圖像細(xì)節(jié)變得模糊，不利于后續(xù)的圖像分割處理，因此鄰域尺度的選擇是基于加權(quán)模板的圖像平滑算法的關(guān)鍵所在。本文采用如下方式判斷鄰域尺度。

　　對灰度圖像的每一個(gè)像素點(diǎn)（i，j），首先計(jì)算其3×3鄰域的灰度值均值m和灰度值標(biāo)準(zhǔn)差，則：

　　2.2 基于Ridler自適應(yīng)閾值法的圖像分割算法

　　對熒光磁粉檢測圖像進(jìn)行有效的平滑去噪后，接下來須進(jìn)行圖像分割，以達(dá)到提取缺陷區(qū)域的目的，方便后續(xù)研究中缺陷類型和數(shù)目的判定。

　　在熒光磁粉檢測過程中，由于外界光照、磁粉噴灑程度等因素的干擾，不同時(shí)刻采集到的熒光磁粉檢測圖像的亮度會發(fā)生變換，加之圖像去噪過程中某些像素點(diǎn)的不適當(dāng)平滑處理產(chǎn)生的影響，因此利用固定閾值來完成缺陷區(qū)域與背景區(qū)域的分割顯然不夠合理。

　　本文選用Ridler自適應(yīng)閾值法[7]，根據(jù)各幀圖像的灰度值分布自動選取合適的閾值進(jìn)行圖像分割，進(jìn)而較好地提取出可能的缺陷區(qū)域，規(guī)避了缺陷判定過程中漏判或誤判的發(fā)生。Ridler自適應(yīng)閾值法是一種利用迭代計(jì)算來選取合適閾值的方法，具體步驟如下：

　?。?）假設(shè)圖像像素值均值P是對分割閾值的先驗(yàn)估計(jì)。像素值大于P的點(diǎn)被看成是觀測點(diǎn)，用q0表示這些點(diǎn)的像素值均值，則初始分割閾值定義為：

　?。?）在第t步，計(jì)算觀測點(diǎn)的平均像素值qt。這里的觀測點(diǎn)是灰度大于第t-1步算出的閾值Tt-1的點(diǎn)。

　?。?）如果Tt=Tt-1則停止；否則回到步驟（2）。

　　在本文的應(yīng)用中一般迭代5~10次就足夠了。

　　這種方法利用最初給定的一個(gè)估計(jì)分割閾值不斷迭代計(jì)算，最終獲取到一個(gè)適合該圖像的最佳的分割閾值，提取出最有可能的缺陷區(qū)域。

3 實(shí)驗(yàn)結(jié)果及分析

　　3.1 實(shí)驗(yàn)平臺搭建

　　為說明算法可較好地平滑磁粉圖像噪聲、去除偽缺陷區(qū)域，特意選取由于磁懸液粘附形成大量微小偽缺陷區(qū)域的軸承滾柱的材料裂紋、側(cè)扭活塞的鑄造裂紋磁粉圖像及大面積偽缺陷區(qū)域的閥體的淬火裂紋磁粉圖像進(jìn)行相關(guān)實(shí)驗(yàn)。原磁粉圖像如圖3所示，框內(nèi)標(biāo)注偽為缺陷區(qū)域。

　　3.2 實(shí)驗(yàn)結(jié)果和分析

　　基于Microsoft Visual Studio 2012程序編譯平臺，編寫C++程序?qū)崿F(xiàn)如圖4所示算法過程，并利用采集到的磁粉圖像進(jìn)行算法驗(yàn)證。

　　圖5（a）、（b）、（c）所示分別為對軸承滾柱、側(cè)扭活塞和閥體的磁粉圖像進(jìn)行灰度化，并對灰度化后的圖像進(jìn)行平滑去噪后的結(jié)果。由圖5（a）、（b）可看出，本文提出的圖像平滑去噪算法可較好地平滑因磁懸液粘附引起的大量微小偽缺陷。特別地，由圖5（c）可看出，對于因操作失誤等引起的大面積偽缺陷區(qū)域，算法依舊可以起到較好的平滑作用。

　　圖6（a）、（b）、（c）所示為對平滑去噪后的磁粉圖像進(jìn)行Ridler自適應(yīng)閾值分割后的結(jié)果。可看出，Ridler自適應(yīng)閾值法可較好地分割缺陷區(qū)域與背景區(qū)域，并去除絕大多數(shù)偽缺陷區(qū)域。

　　最終實(shí)驗(yàn)結(jié)果表明，經(jīng)本文所述平滑去噪、分割處理之后，可以較好地提取缺陷區(qū)域，去除偽缺陷，為接下來進(jìn)行的利用特征值的缺陷類型和數(shù)目判定打下了良好的基礎(chǔ)。

4 結(jié)論

　　本文分析了工件表面缺陷磁粉圖像的特性，針對現(xiàn)存的智能檢測系統(tǒng)面臨的圖像平滑去噪和缺陷區(qū)域提取難題，提出了基于加權(quán)模板和自適應(yīng)鄰域選擇的圖像平滑算法，并將Ridler自適應(yīng)閾值法應(yīng)用于缺陷圖像分割，最后利用形態(tài)學(xué)方法對缺陷細(xì)節(jié)進(jìn)行修復(fù)。實(shí)驗(yàn)結(jié)果表明，此算法能夠較好地去除偽缺陷，并將缺陷區(qū)域提取出來，以方便后續(xù)缺陷真?zhèn)渭皵?shù)目和類型的判定。但算法對超大面積背景區(qū)域噪聲的圖像處理效果不明顯，可將此算法缺點(diǎn)的改進(jìn)與缺陷真?zhèn)魏皖愋图皵?shù)目作為今后的研究方向。

參考文獻(xiàn)

　　[1] 劉福順，湯明.無損檢測基礎(chǔ)[M].北京：北京航空航天大學(xué)出版社，2002.

　　[2] 陸寶春，李建文.基于特征差異性的熒光磁粉探傷圖像分割算法[J].南京理工大學(xué)學(xué)報(bào)，2011，35（6）：797-800.

　　[3] 吳海超，曾奇夫，查蘇倩.熒光磁粉探傷裂紋智能識別圖像處理研究[J].鐵道技術(shù)監(jiān)督，2010，38（10）：6-10.

　　[4] 李仁興，張毅.形態(tài)學(xué)濾波窄裂紋檢測與目標(biāo)識別[J].無損檢測，2009，31（10）：796-799.

　　[5] 陳瑩妍.熒光磁粉探傷裂紋目標(biāo)提取方法研究[D].南京：南京理工大學(xué)，2012.

　　[6] 李亞.基于圖像處理的智能軸承零件磁粉探傷系統(tǒng)[D].長沙：湖南大學(xué)，2009.

　　[7] RIDLER T W， CALVARD S. Picture thresholding using an iterative selection method[J]. IEEE Transactions on Systems，Man and Cybernetics， 1978，SMC-8（8）：620-632.